人工智能（AI）技術的迅猛發展，特別是DeepSeek等大模型的出現，對金融市場產生了巨大沖擊。近日，在浦東新區政協指導下，上海交通大學上海高級金融學院與澳門科技大學澳門金融科技創新研究院聯合舉辦了“AI與金融市場的未來”閉門研討會，共同探討了AI對金融市場的影響。

* 本文隸屬于高金智庫成果簡（要）報系列，執筆人為高金智庫青年研究員賈德錚。本文較報告原文有所刪減，原報告名稱為《AI與金融市場的未來》。

AI金融模型發展的趨勢

◎一是AI金融模型數量將逐漸增多。從目前AI金融投資模型來看，人工智能的投資模式往往是人類投資策略的模型化，即人工智能將知名投資人的投資策略進行數量化和模型化處理，通過系統程序構建投資組合，形成風險最小、收益最大的投資策略。當一個投資人通過30年至50年的學習形成獨特有效的投資策略時，人工智能就可以將這一策略永久地固定下來。因此，只要不斷有投資者做出新的、有效的投資策略，人工智能金融模型的數量就會越來越多。

◎二是AI金融模型可能出現小型化、分散化趨勢。由于訓練金融模型需要大量的算力、語料和參數，優化成本高、難度大，加之金融市場易受外部擾動因素影響，即使訓練出金融大模型也難以大幅提高投資成功率，因此，各金融機構傾向于開發小模型，通過限制參數、提高知識密度等方式，建立更加聰明的智能體，以提高金融模型的投入產出比。未來市場上可能形成數量眾多的金融智能體，這些智能體相互“溝通”、“協調”，共同完成某一金融活動。

◎三是AI金融模型將更受市場青睞。AI時代的金融競爭已經演變為依靠整體系統、整個體系去競爭，而不是依靠個人單槍匹馬地競爭。從全球來看，2004年基本上所有的基金都靠人做決策，但是到了2024年絕大多數業績較好的基金都是由機器做決策。基于量化、基于機器學習進行金融資產配置的機構快速成長，人的功能在投資過程中已經被弱化。原因在于，一方面，人工智能會生產更有效的投資策略，提供更高收益風險比的策略，更受基金投資人青睞。另一方面，人工智能大大提高了風控效率。個人在做風控時往往較為主觀，且僅能觀察有限的金融資產，但是人工智能每天可以觀察成千上萬只股票，世界上發生的任何事情都可被納入模型。因此，量化基金通?？梢酝瑫r持倉1,000多只股票，這對個人來說是不可能實現的。

AI金融模型發展仍需解決三大瓶頸

◎一是算力問題依然是制約金融模型的瓶頸。在人工智能領域，算力越多模型功能就越強。由于人工智能大模型訓練的向量化邏輯，只要顯卡（GPU）足夠多，大模型的訓練難度就會大幅降低。目前，全球有約320萬塊英偉達H100顯卡，其中，谷歌約有32萬塊，微軟有66萬塊，Meta有40萬塊，亞馬遜有29萬塊，其他的加起來合計140萬塊。我國DeepSeek約有1萬塊，在數量上落后于國際知名企業，并由此導致其出現事實性“幻覺”（如生成內容失實）的概率遠高于ChatGPT-4o 。此外，國內部分企業也擁有大量H100顯卡，但是由于其業務范圍廣，能用于訓練大模型的顯卡數量非常有限。與此同時，本土顯卡產品的算力明顯落后于英偉達，如華為GPU的算力僅相當于英偉達H100顯卡的1/10至1/5，制約了國內大模型的發展。

◎二是電力能源約束問題將日益凸顯。提升人工智能大模型的生成效果和準確性就必須提高算力，也就是投入更多的GPU，與之相對，就需要更多的參數調試，這背后都需要更多的電力能源支撐，例如一個用了16000萬H100顯卡訓練出的大模型，如果想要將性能提升200倍，其用電量就相當于1000萬人的城市用電量，這在未來將會是巨大的能源挑戰。

◎三是大模型語料投喂也將遇到瓶頸。目前，把人類5000年文明歷史中所有的著作用文本進行記錄，合在一起大約45T的規模，已經難以滿足人工智能大模型的訓練需求。此外，很多大模型企業將AI生成的文字又重新放到大模型語料庫，導致大模型對這些內容真偽難辨，造成的結果就是大模型的知識密度下降，“幻覺”概率提高。

AI金融模型對金融市場影響有限

◎一是AI工具不具備邏輯推理能力。AI從根源上來看只是一個數據驅動方式，主要作用是通過特定技術對數據進行總結歸納，目前還不能進行演繹推理，也不具備邏輯推理能力，因此，AI大模型只具備人類的一部分能力，不能完全替代人類。

◎二是金融市場信噪比高導致AI準確率難以顯著提升。在金融市場，股票交易獲得收益的基準概率是50%，即判斷一個交易日漲跌成功的概率是50%，只有超過50%才有可能獲得正收益。著名投資家巴菲特和西蒙斯也只能達到53.7%，原因在于金融行業的噪音過大，在不具備邏輯推理能力的情況下，大模型在金融市場也難以明顯超過50%這一基準點。

◎三是將文本轉化為知識去捕捉交易信號難以顯著提升收益率。實證檢驗表明，在有自己投資策略的情況下，投資者依靠人工來處理文本，對文本信息捕捉的正確率可到達80%，以該信息進行投資的收益率是12%；但是在用了大模型后，對文本信息捕捉的正確率僅達到80.1%，投資收益率僅為12.2%，即大模型并沒有在文本處理方面有顯著優勢。

◎四是人工智能機器學習在金融市場并不萬能。機器學習主要采取梯度下降的方式進行參數調整，以求得區域內的最小風險和最大收益，神經卷積、神經網絡都屬于梯度下降的方式。但是在金融市場，決定資產風險和價值的因素會不斷變化，導致市場內往往存在多個有局部最小風險的區域，因此，需要投資者通過演繹推導方法選定可能產生最小風險的區域，然后再用機器學習方法求出風險最小點，這一過程離不開人的介入。

◎五是大模型根據歷史而不是當前信息制定投資策略。大模型的訓練過程中使用歷史數據作為語料，目前，ChatGPT-4o訓練到去年11月截止，Deepseek訓練到上個月底截止，這些大模型知道之前所有關于股市的信息，如果將大模型生成的投資策略放入之前的時期進行模擬，其準確性會非常高，但是大模型不知道未來的信息，其生成的投資策略并不完全有效。

◎六是AI金融模型無法提供擇時投資的信息。投資者希望在未來市場好的時候加倉，在未來市場不好的時候減倉，也即擇時投資，但這難以做到，原因在于投資者不知道什么時候市場好、什么時候市場差。對于AI也一樣，AI的預測無法去除股市中下跌的情況，其模型也無法訓練出可以識別股市漲落的時機，并提供有效的投資建議。

發展AI金融模型的建議

◎一是加強人工智能方面的基礎研究。硬科技不僅包括看得見、摸得著的科技，還包括很多看不見摸不著的底層科技，這些底層科技大多來源于基礎研究，需要針對數學、統計學開展持續深入探索，以提升模型的運行效率。此外，當前美國大幅削減了美國國立衛生研究院（National Institutes of Health，NIH）等科研機構的資金，正是中國大幅投入基礎研究的好時機。

◎二是構建適應AI時代的教育體系。在金融市場，不同背景的人做出的AI模型也有不同特點，數學模型、經濟學模型、統計學模型以及機器學習，都是為了更好預測股票市場，但是這幾類技術對人的要求都很高，大學對這些知識體系的整合程度很低，這些知識在很多大學可能分屬商學院、理學院、工學院，因此，有必要重構大學教育體系。

◎三是正確認識量化交易的市場功能。量化投資是借助模型用盡可能多的因子，通過數量化的方法去解釋主觀的投資策略。其特點是不關注每天的漲跌，而用更長的周期作為收益測算基準，在股票選擇上更傾向于選擇被低估的股票，拋售被高估的股票，在股票市場發揮實質上的穩定器作用，同時，也給投資者提供一個非常穩定的收益。此外，量化交易的交易頻率比市場上中小投資者高，其競爭對手是其他量化交易主體，并不會“收割”市場上的中小投資者。

內容來源｜高金智庫SAIF ThinkTank

高金項目火熱招生中…

歡迎點擊小程序了解更多信息